MCP 承诺解决 Agentic AI 的数据问题。以下仍然缺失的内容。

Source: Dev.to

（未提供需要翻译的正文内容。如需翻译，请粘贴或提供文章的其余文本。）

问题不在于 MCP，而在于它之上的缺失

MCP 解决了 连接 问题，但它带来了新的挑战：

工具过载

Microsoft 研究人员发现，在 7,000 多台 MCP 服务器中，有 775 种工具出现命名冲突——最常见的是 search。OpenAI 建议将工具列表控制在 20 以下，而 GitHub 的 MCP 单独就提供了约 40 种工具。当 LLM 面临过多工具时，它难以挑选出正确的工具，性能随之下降。

上下文匮乏

即使拥有巨大的上下文窗口，LLM 也无法高效处理原始数据库转储。研究表明，顶级 MCP 工具返回的平均 token 数为 557,766，足以让大多数模型不堪重负。代理需要的是 相关 数据，而不是 全部 数据。

昂贵的工具调用循环

每一次工具调用都是一次往返：LLM → 客户端 → 工具 → 客户端 → LLM。每个循环都要携带完整的工具列表和对话历史。对于多步骤任务，这会迅速消耗大量 token。

缺乏智能路由

MCP 将工具连接到模型，但到底该使用 哪个 工具由谁决定？目前这个决定权交给了 LLM 本身，而在面对数十种选项时，这并不是一个理想的方案。

Source: …

缺失的一层：语义路由

如果在 LLM 与 MCP 工具之间增加一层：

• 在选择工具前理解意图
• 自动将查询路由到正确的数据源
• 返回聚焦的数据，而不是大量 token
• 智能处理多意图查询

这就是 OneConnecter 的理念。

工作原理

flowchart TD
    User["User: \"weather London Bitcoin price gold futures\""] --> IntentSplitter
    IntentSplitter["Intent Splitter\n(Detects 3 separate intents)"] --> SplitArray["[\"weather London\", \"BTC price\", \"gold futures\"]"]
    SplitArray --> SemanticRouter
    SemanticRouter["Semantic Router\n(Routes each to the right agent)"] --> Agents
    Agents --> Combined["Combined, structured response"]

LLM 永远不需要直接面对 40+ 工具；它只看到 一个端点，该端点会智能地将请求路由到经过精选的、专门的代理。

实际结果

• 78 % 令牌减少 相比原始网页搜索（语义缓存）
• 亚秒级路由 到正确的数据代理
• 干净、结构化的响应 — 而非 HTML 转储或令牌洪流

示例查询通过系统：

Query: "NVDA stock price market cap"

Response:
- NVDA stock price: $142.50 (+2.3%)
- NVDA market cap: $3.48T

Time: 1.2 s total (including intent split + parallel agent calls)

意图拆分器甚至会 复制实体（NVDA）到子查询中——这是正则表达式拆分器容易遗漏的。

架构概览

┌─────────────────────────────────────────────────────────────┐
│                     OneConnecter                             │
├─────────────────────────────────────────────────────────────┤
│  Intent Splitter    │ Qwen3 4B on Modal (~950 ms)            │
│  Semantic Router    │ Vector embeddings + similarity search │
│  Data Agents        │ Weather, Crypto, Stocks, Commodities   │
│  Semantic Cache     │ Reduces redundant API calls            │
│  MCP Interface      │ Works with Claude, LangChain, etc.     │
└─────────────────────────────────────────────────────────────┘

OneConnecter 兼容 MCP，您可以将其接入 Claude Desktop、LangChain 或任何 MCP 客户端，以解决原生 MCP 无法处理的问题。

为什么这很重要

业界谈论“上下文饥饿”和“工具空间干扰”，仿佛它们是未解决的问题。其实并非如此。解决方案是智能路由层。

MCP 是基础设施。我们现在需要的是 编排——一种能够理解用户需求并获取正确数据的机制，而不会让大型语言模型负担过重。

试一试

OneConnecter 已上线，访问 oneconnecter.io。
早期接入的代理包括：

• 实时天气数据
• 加密货币价格
• 股票市场数据
• 商品期货
• 公司情报
• 每周持续发布更多代理

如果你正在构建代理系统并遇到上述瓶颈，欢迎与我联系。留下评论或在 Discord 找到我。

接下来

• RAG Knowledge Agent — 经过策划的科学/学术数据并附有引用
• 更多数据代理 — 航班、餐厅、新闻、职位
• 更好的缓存 — 对常见查询进行预测性预取

目标不是取代 MCP，而是让它在生产环境中真正可用。

在 Techne Labs 构建 OneConnecter。请关注我们如何解决这个问题。

你在使用代理式 AI 和实时数据时遇到了哪些问题？在评论中告诉我吧。